GPT-6 Luna vs DeepSeek V4 Pro: En indexpoäng, fem gånger priset och argumentet för att äga sina egna vikter

Här är siffran som borde avgöra den här matchen och inte gör det: GPT-6 Luna får 37 på Artificial Analysis Intelligence Index vid maximal ansträngning. DeepSeek V4 Pro får 36 på samma version av indexet, också vid maximal ansträngning. En poäng isär, på ett sammansatt mått där en enda poäng ligger inom bruset för en ny körning — och de två modellerna skiljer sig med ungefär fem gånger i pris. GPT-6 Luna listas till $0.10 per miljon indatatoken och $0.50 per miljon utdatatoken. DeepSeek V4 Pro 0813 listas till $0.66 och $1.98 utanför högtrafik, och fördubblas till $1.32 och $3.96 under dess högtrafikfönster.

Om det vore hela historien skulle den här artikeln vara ett stycke lång och sluta med "använd GPT-6 Luna." Det är inte hela historien, och anledningen är den enda dimension där jämförelsen helt vänds om: DeepSeek V4 Pros vikter är öppna och MIT-licensierade. Modellen som kostar fem gånger mer per token är modellen du får ladda ner, ändra, finjustera och köra på din egen hårdvara för alltid. Det är inte en fotnot till prisargumentet – för en specifik typ av köpare är det hela argumentet, och lanseringen av GPT-6 Luna den 22 september skärpte det snarare än avgjorde det.

Vad som släpptes, och när

GPT-6 Luna är OpenAI:s modell i den lägre klassen, lanserad den 22 september 2026, tillsammans med GPT-6 Sol för $2.00/$10.00 och under flaggskeppet GPT-6 Astra för $10.00/$50.00. OpenAI beskriver den som företagets mest effektiva modell för fokuserade uppgifter med hög volym. Den har ett kontextfönster på 1 050 000 token med maximalt 922 000 indatatoken och en utdatagräns på 128 000 token, tar emot text och bild, och erbjuder inställningen reasoning effort från none till low, medium, high, xhigh och max – med medium som standard.

DeepSeek V4 Pro 0813 är GA-versionen av DeepSeeks flaggskeppsmodell i fjärde generationen, publicerad den 13 augusti 2026, och ersätter aprilförhandsvisningen under samma deepseek-v4-pro-identifierare. Det är en textbaserad mixture-of-experts-modell med 1,6 biljoner parametrar totalt och 49 miljarder aktiva, ett kontextfönster på 1 miljon tokens och ett ovanligt generöst tak för utdata på 384 000 tokens – tre gånger GPT-6 Lunas. Vikterna lades upp på Hugging Face som deepseek-ai/DeepSeek-V4-Pro-0813 ungefär ett halvt dygn efter att API:et gick live: 66 fp8-shards, utan gating, MIT. Vår egen katalogsida för modellen har fortfarande aprilförhandsvisningens datum i stället för augustidatumet för GA, vilket är värt att känna till om du läser datum från produktsidor i stället för versionsanteckningar.

Båda är resonemangsförst och långkontext. Endast en av dem är en fil du kan hålla.

Prislistorna, ärligt talat

En rad per dimension, båda sidorna på varje:

• Indata per 1M — GPT-6 Luna $0.10 vs DeepSeek V4 Pro $0.66 lågtrafik / $1.32 högtrafik

• Utdata per 1M — GPT-6 Luna $0,50 vs DeepSeek V4 Pro $1,98 lågtrafik / $3,96 högtrafik

• Cachad indata — GPT-6 Luna 0,01 USD per 1M, 90 % rabatt på sin egen taxa jämfört med DeepSeek V4 Pro som har 97 % cacherrabatt, den djupare procentsatsen från en högre bas

• Toppfönster — GPT-6 Luna: inget, platt hela dagen jämfört med DeepSeek V4 Pro som fördubblas mellan 01:00-04:00 och 06:00-10:00 UTC

• Långkontextklausul — GPT-6 Luna fördubblar indata och cache och höjer utdata 1,5x över 272K indata, tillämpas på hela begäran jämfört med DeepSeek V4 Pro, som inte har någon långkontextavgift publicerad på sitt kort

• Kontext och utdata — GPT-6 Luna 1 050 000 in / 128 000 ut vs DeepSeek V4 Pro 1 048 576 in / 384 000 ut

• AA Intelligence Index — GPT-6 Luna 37 vid maximal ansträngning vs DeepSeek V4 Pro 36 vid maximal ansträngning, samma indexrevision

• Poäng för standardansträngning — GPT-6 Luna 29 vid medium mot DeepSeek V4 Pro 36 vid sin högsta inställning, den ansträngningsnivå som Artificial Analysis uppmätte

• Avstängningsreglage för resonemang – GPT-6 Luna från ingen till max jämfört med DeepSeek V4 Pro endast låg, hög och max

• Kostnad för att köra indexet — GPT-6 Luna 122,39 USD mot DeepSeek V4 Pro 1 122,27 USD

• Vikter — GPT-6 Luna sluten, endast API vs DeepSeek V4 Pro öppen, MIT-licensierad, kan självhostas

• På OrcaRouter — GPT-6 Luna finns inte i vår katalog vs DeepSeek V4 Pro som är routbar till DeepSeeks listpris

Läs de raderna tillsammans och formen är ovanlig: den slutna modellen är billigare på varje per-token-rad utom cachad indata, och den öppna modellen vinner på utdatalängd, på beteende vid lång kontext och på det enda som inte alls kan prissättas per token.

Varför en poängs marginal inte är hela historien

En enpoängsskillnad på ett sammansatt index är inte en förmågeskillnad som du kan agera på, och det är värt att säga rakt ut att detta är den minst intressanta siffran i artikeln. Två saker med det spelar dock roll.

Det första är att indexrevisionen förskjuts. Tidigare ögonblicksbilder av samma utvärdering placerade DeepSeek V4 Pros max-effort-poäng väsentligt högre än de 36 som vår registrering visar idag, och GPT-6 Astras siffror varierade mellan 52,8, 53 och 54,7 i material som publicerades inom loppet av en enda månad. Varje jämförelse som vilar på det exakta gapet mellan två modeller i ett rullande index vilar på något som inte står stilla. Den ärliga tolkningen är att dessa två modeller ligger i samma kapacitetsband vid sina maxnivåer, och indexet kan inte tala om för dig vilken som är bättre för din uppgift.

Den andra är standardinställningen för ansträngning, och här är gapet verkligt. GPT-6 Lunas 37 är en siffra vid maximal ansträngning. Dess standard är medium, där den får 29. DeepSeek V4 Pros 36 är också dess siffra vid maximal ansträngning, och det är också den inställning som Artificial Analysis körde den med. Ett team som driftsätter GPT-6 Luna och inte ändrar något kör en 29 mot en 36 – ett underskott på sju punkter i fel riktning, och precis den typ av sak som dyker upp som "den billiga modellen är sämre" i en efteranalys av produktionen när det faktiska problemet är en standardinställning.

Vad de öppna vikterna faktiskt är värda

Det är här prisjämförelsen slutar vara aritmetik och blir en fråga om din verksamhet. MIT-licensierade vikter ger dig fyra saker, och var och en har en prislapp som aldrig syns på en prislista.

Det första är ett kostnadsgolv. Prissättning per token är en hyra; vikter är en tillgång. Om din volym är tillräckligt stor för att ett fast GPU-fotavtryck ska slå en mätarbaserad faktura, är DeepSeek V4 Pro den enda av dessa två modeller där det alternativet ens existerar. Med GPT-6 Lunas priser är brytpunkten långt borta — ett cachat indatapris på en cent är genuint svårt att slå med hyrt kisel — men ”långt borta” är ett annat påstående än ”omöjligt”, och det är en envägsdörr: du kan vilken dag som helst gå från egen hosting till ett API, och du kan inte gå i den andra riktningen.

Det andra är oberoende av en leverantörs färdplan. GPT-5.6 Lunas kampanjpriser hade ett angivet utgångsdatum. GPT-6 Lunas är permanenta, enligt OpenAI – men permanenthet är ett löfte om en modell som en leverantör kan pensionera närhelst den släpper en efterträdare. En modell som du själv hostar kan inte fasas ut under fötterna på dig. För alla som har gått igenom en påtvingad migrering på en sluten modell är det värt mer än en faktor fem på tokens.

Det tredje är data. Om prompten innehåller material som inte får lämna din infrastruktur, slutar jämförelsen här och det spelar ingen roll vad GPT-6 Luna kostar.

Det fjärde är att du kan finjustera den. GPT-6 Luna går inte alls att finjustera — det är Chat Completions, Responses och Batch, och det är listan. DeepSeek V4 Pros vikter kan tränas på din egen distribution, vilket för en smal uppgift med hög volym ofta är en större vinst än någon allmän indexpoäng.

Mot allt detta är GPT-6 Lunas argument att det är ungefär fem gånger billigare vid en blandad 3:1-mix av indata och utdata utanför högtrafik och närmare tio gånger billigare under DeepSeeks högtrafiktimmar, att dess pris för cachad indata är en tiondel av dess redan låga indatapris, att man kan säga till den att sluta resonera helt och hållet, och att dess listpris inte fördubblas två gånger om dagen. För en arbetsbelastning utan krav på datalokalisering, utan behov av finjustering och utan intresse för att driva inferensinfrastruktur är det ett enkelt svar.

Migreringen är mindre än vad prisskillnaden antyder

Att växla mellan dessa två är närmare en konfigurationsändring än en portning. Båda följer OpenAI-kompatibelt chat completions-format, båda har ett kontextfönster i 1M-klassen, och felmoderna är de förväntade snarare än strukturella.

Två av dem är värda att uppmärksamma innan du flyttar trafik. GPT-6 Lunas långkontextklausul är den dyra: passerar du 272 000 indatatokens omprissätts hela förfrågan till dubbla kostnaden för indata och cache samt 1,5 gånger för utdata, så ett anrop på 300 000 tokens kostar dubbelt så mycket som samma anrop delat i två. DeepSeek V4 Pro har ingen sådan klausul, vilket innebär att prisskillnaden på fem gånger för riktigt enorma enskilda förfrågningar är mindre än den verkar och kan vändas vid ett anrop under högtrafik. Och taket för utdata är en hård begränsning snarare än en preferens: 128 000 tokens mot 384 000. En pipeline som genererar långa strukturerade artefakter kanske inte passar i GPT-6 Luna alls, och ingen prisfördel i världen kan åtgärda det.

DeepSeek V4 Pro finns på OrcaRouter till DeepSeeks listpris, med den vidarefakturerade prissättning som lägger en leverantörs prisändring på vår sida samma dag — relevant för en modell vars priser redan rör sig mellan högtrafik och lågtrafik. GPT-6 Luna finns inte i vår katalog i skrivande stund och nås via OpenAIs eget API, så ett team som vill ha båda kör en nyckel för DeepSeek V4 Pro tillsammans med vad de redan använder för OpenAI. Automatisk failover är den del som förtjänar sin plats i just denna kombination: en egenhostad eller tredjeparts DeepSeek-endpoint som försämras är exakt det scenario där du vill att rutten flyttas utan en driftsättning.

Vem ska välja vilken

Välj DeepSeek V4 Pro om något av följande stämmer. Prompten får inte lämna din infrastruktur. Du behöver finjustera. Du genererar utdata längre än 128 000 token. Dina förfrågningar överskrider rutinmässigt 272 000 indatatoken. Eller så är din volym så stor att du hellre köper GPU:er än hyr token, och du vill ha möjligheten att göra det bytet senare utan att skriva om applikationen.

Välj GPT-6 Luna om inget av dessa gäller och din arbetsbelastning är högvolym, programkonsumerad och kort. Klassificering, extraktion, routning, massammanfattning, den inre loopen hos en agent. Med $0.10/$0.50, ett cachat indatapris på en cent och Batch till halva priset är kalkylen inte i närheten, och skillnaden på en punkt i indexet vid maximal ansträngning kommer inte att synas i din utvärdering. Kör den på medium, kontrollera regressionen på två punkter i Coding Agent Index mot dina egna tester i stället för ett leverantörsdiagram, och håll dina långa anrop på rätt sida om gränsen på 272 000 token.

Misstaget att undvika är att behandla den femfaldiga prisskillnaden som svaret. Det är svaret på en fråga – vad kostar en token – och det säger ingenting om de fyra frågor som avgör om du fortfarande kan köra den här arbetsbelastningen om två år.